储能系统故障检测方法、装置及智能终端与流程

本发明涉及基于电数字数据的故障检测，尤其涉及的是一种储能系统故障检测方法、装置及智能终端。

背景技术：

1、随着科学技术的发展，对于储能系统的研究和控制越来越受到重视。储能系统是在对储能过程进行分析时，为了确定研究对象而划出的部分物体或空间范围。它包括能量和物质的输入和输出、能量的转换和储存设备。如果储能系统出现故障，则有可能影响用户的用电体验甚至引发危险，因此需要对储能系统的故障情况进行检测，以便及时针对故障进行处理。

2、储能系统往往涉及多种能量、多种设备等，是随时间变换的复杂系统。而现有技术中，通常只能根据单一的数据指标对储能系统的故障情况进行判断，例如，将测量获得的电压与预设的电压阈值进行比较从而判断储能系统是否发生故障。现有技术的问题在于，只能基于单一的数据指标对储能系统的故障进行判断，无法结合多种信息进行故障检测，不利于提高故障检测的准确性。

3、因此，现有技术还有待改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种储能系统故障检测方法、装置及智能终端，旨在解决现有技术中只能基于单一的数据指标对储能系统的故障进行判断，无法结合多种信息进行故障检测，不利于提高故障检测的准确性的问题。

2、为了实现上述目的，本发明第一方面提供一种储能系统故障检测方法，其中，上述储能系统故障检测方法包括：

3、基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据，其中，上述无故障数据包括上述储能系统在无故障时段内的电力信息变化数据和设备部件图像数据；

4、对上述无故障数据进行主成分分析处理，计算获得上述无故障数据对应的统计量限值、q统计量限值以及统计特征；

5、获取上述储能系统对应的一组待检测数据，根据上述待检测数据和上述统计特征计算获得上述待检测数据对应的统计量和q统计量，其中，上述待检测数据包括上述储能系统在待检测时段内的电力信息变化数据和设备部件图像数据；

6、根据第一大小关系和/或第二大小关系判断上述待检测数据是否为故障数据，其中，上述第一大小关系是上述统计量限值与上述统计量之间的大小关系，上述第二大小关系是上述q统计量限值与上述q统计量之间的大小关系；

7、当上述待检测数据是故障数据时，通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别；

8、其中，上述统计量是霍特林统计量，上述q统计量是平方预测误差统计量，上述统计量限值是霍特林统计量限值，上述q统计量限值是平方预测误差统计量限值。

9、可选的，上述电力信息变化数据包括电压数据、电流数据、温度数据和储能变化数据，上述设备部件图像数据包括上述储能系统中太阳能电池表面图像数据和风力设备叶片表面图像数据。

10、可选的，在上述基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据之前，上述方法还包括：

11、采集获取上述储能系统对应的多组原始数据，其中，每一组上述原始数据包括上述储能系统在一个采集时段内的电力信息变化数据、设备部件图像数据以及故障标注信息，上述故障标注信息用于指示上述原始数据是故障数据或无故障数据；

12、基于上述原始数据进行样本扩增获得多组扩增数据，其中，对上述电力信息变化数据和上述设备部件图像数据采用不同的扩增通道进行样本扩增；

13、将上述原始数据和上述扩增数据上传到数字孪生数据库，并构建与上述储能系统对应的数字孪生系统。

14、可选的，上述统计特征包括均值和标准差，上述根据上述待检测数据和上述统计特征计算获得上述待检测数据对应的统计量和q统计量，包括：

15、根据上述统计特征对上述待检测数据进行标准化处理，获得待检测标准数据；

16、根据上述待检测标准数据计算获取上述待检测数据对应的统计量和q统计量。

17、可选的，上述当上述待检测数据是故障数据时，通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别，包括：

18、将上述待检测数据输入上述已训练的故障检测模型，通过上述已训练的故障检测模型输出上述待检测数据对应的故障类别，其中，上述已训练的故障检测模型基于逻辑回归方法对上述待检测数据中的电力信息变化数据进行故障分类，上述已训练的故障检测模型基于vgg-net对上述待检测数据中的设备部件图像数据进行故障分类。

19、可选的，上述已训练的故障检测模型根据如下步骤进行训练：

20、将训练数据中的电力信息训练数据和设备部件图像训练数据输入上述故障检测模型，通过上述故障检测模型对上述电力信息训练数据和上述设备部件图像训练数据进行故障分类并获得检测故障类别，其中，上述训练数据包括多组训练信息组，每一组上述训练信息组包括电力信息训练数据、设备部件图像训练数据以及标注故障类别；

21、根据上述检测故障类别和对应的上述标注故障类别对上述故障检测模型的模型参数进行调整，并继续执行上述将训练数据中的电力信息训练数据和设备部件图像训练数据输入上述故障检测模型的步骤，直至满足预设训练条件，以得到已训练的故障检测模型。

22、可选的，在上述通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别之后，上述方法还包括：

23、基于上述故障类别在上述数字孪生系统中进行故障标记并将标记结果进行可视化输出。

24、可选的，在上述通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别之后，上述方法还包括：

25、基于上述故障类别获取故障调整策略；

26、将上述故障调整策略输入上述数字孪生系统，并在上述数字孪生系统中执行上述故障调整策略；

27、获取上述数字孪生系统中的故障调整结果并输出。

28、本发明第二方面提供一种储能系统故障检测装置，其中，上述储能系统故障检测装置包括：

29、无故障数据获取模块，用于基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据，其中，上述无故障数据包括上述储能系统在无故障时段内的电力信息变化数据和设备部件图像数据；

30、统计量限值计算模块，用于对上述无故障数据进行主成分分析处理，计算获得上述无故障数据对应的统计量限值、q统计量限值以及统计特征；

31、待检测数据处理模块，用于获取上述储能系统对应的一组待检测数据，根据上述待检测数据和上述统计特征计算获得上述待检测数据对应的统计量和q统计量，其中，上述待检测数据包括上述储能系统在待检测时段内的电力信息变化数据和设备部件图像数据；

32、故障数据判断模块，用于根据第一大小关系和/或第二大小关系判断上述待检测数据是否为故障数据，其中，上述第一大小关系是上述统计量限值与上述统计量之间的大小关系，上述第二大小关系是上述q统计量限值与上述q统计量之间的大小关系；

33、故障类别检测模块，用于当上述待检测数据是故障数据时，通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别；

34、其中，上述统计量是霍特林统计量，上述q统计量是平方预测误差统计量，上述统计量限值是霍特林统计量限值，上述q统计量限值是平方预测误差统计量限值。

35、本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的储能系统故障检测程序，上述储能系统故障检测程序被上述处理器执行时实现上述任意一种储能系统故障检测方法的步骤。

36、由上可见，本发明方案中，基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据，其中，上述无故障数据包括上述储能系统在无故障时段内的电力信息变化数据和设备部件图像数据；对上述无故障数据进行主成分分析处理，计算获得上述无故障数据对应的统计量限值、q统计量限值以及统计特征；获取上述储能系统对应的一组待检测数据，根据上述待检测数据和上述统计特征计算获得上述待检测数据对应的统计量和q统计量，其中，上述待检测数据包括上述储能系统在待检测时段内的电力信息变化数据和设备部件图像数据；根据第一大小关系和/或第二大小关系判断上述待检测数据是否为故障数据，其中，上述第一大小关系是上述统计量限值与上述统计量之间的大小关系，上述第二大小关系是上述q统计量限值与上述q统计量之间的大小关系；当上述待检测数据是故障数据时，通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别；其中，上述统计量是霍特林统计量，上述q统计量是平方预测误差统计量，上述统计量限值是霍特林统计量限值，上述q统计量限值是平方预测误差统计量限值。

37、与现有技术中只能基于单一的数据指标对储能系统的故障进行判断的方案相比，本发明中一组待检测数据是结合多种数据构成的，具体包括储能系统在待检测时间段内的电力信息变化数据和设备部件图像数据。本发明中先根据储能系统对应的一组无故障数据计算获得统计量限值和q统计量限值，对于待检测数据则计算获得其统计量和q统计量，根据对应的统计量和统计量限值之间的大小关系可以先分析判断出待检测数据是否为故障数据，当其为故障数据时再进一步通过已训练的故障检测模型对上述待检测数据进行故障检测并获得故障类别。本发明中可以结合待检测数据中的多种信息（包括电力信息变化数据和设备部件图像数据）进行故障判断和检测，有利于提高故障检测的准确性。